《一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用-刘琦.pdf》由会员分享，可在线阅读，更多相关《一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用-刘琦.pdf（12页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用刘琦王丽丹段书凯An adaptive three-Gauss model based on memristive cross array and its application in image enhance-mentLiu Qi Wang Li-Dan Duan Shu-Kai引用信息Citation: Acta Physica Sinica , 66, 127301 (2017) DOI: 10.7498/aps.66.127301在线阅读View online: http:/dx.doi.org/10.7498/aps.66
2、.127301当期内容View table of contents: http:/ you may be interested in基于Ni电极和ZrO2/SiO2/ZrO2介质的MIM电容的导电机理研究Conduction mechanisms of MIM capacitors with ZrO 2/SiO2/ZrO2 stacked dielectrics and Ni electrodes物理学报.2017, 66(8): 087301 http:/dx.doi.org/10.7498/aps.66.087301基于串并联磁控忆阻器的耦合行为研究Research of coupling
3、 behavior based on series-parallel flux-controlled memristor物理学报.2015, 64(23): 237303 http:/dx.doi.org/10.7498/aps.64.237303Ti/HfO2/Pt阻变存储单元中的氧空位聚簇分布Cluster distribution for oxygen vacancy in Ti/HfO 2/Pt resistive switching memory device物理学报.2015, 64(20): 207302 http:/dx.doi.org/10.7498/aps.64.20730
4、2忆阻器及其阻变机理研究进展Research progress of memristors and memristive mechanism物理学报.2014, 63(18): 187301 http:/dx.doi.org/10.7498/aps.63.187301Ni/HfO2/Pt阻变单元特性与机理的研究Electric characteristics and resistive switching mechanism of Ni/HfO 2/Pt resistive random access memorycell物理学报.2014, 63(14): 147301 http:/dx.d
5、oi.org/10.7498/aps.63.147301万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 127301一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用 刘琦王丽丹y段书凯(西南大学电子信息工程学院,非线性电路与智能信息处理重庆市重点实验室,重庆400715)(2017年1月11日收到; 2017年3月31日收到修改稿)在视觉图像处理中,可用三高斯模型来模拟视网膜神经节细胞的感受野,这可以在一定程度上对图像信息,比如图像的边缘、细节等信息进行增强.但是在对大量的图像进行处理时,为了达到比较理想的效果,就需要人为地来改变模型中
6、的相关参数,这是一个十分耗时的过程.基于此,本文提出一种基于忆阻交叉阵列的自适应三高斯模型.这种模型是在传统三高斯模型的基础上,根据所需处理图像的局部特征,利用忆阻交叉阵列的特性动态地改变模型参数,以达到对局部图像最优增强的目的,从而使整幅图像的增强效果更好.首先,根据图像的局部亮度信息来确定忆阻器所需施加的脉冲电压的极性以及宽度;然后,根据所得忆阻值得到对应模型中参数的值;最后,可以得到局部增强模板,从而实现增强.本文分别选取了彩色和灰度图像进行了测试,定性和定量实验结果均表明,这种改进的三高斯模型不仅能够对图像边缘进行有效的增强,而且还可以极大地提高图像的对比度和清晰度,为忆阻器在图像处理
7、方面的应用提供了新方向.关键词:自适应,三高斯模型,忆阻交叉阵列,图像增强PACS: 73.40.Rw, 84.30.Bv, 84.32.y, 85.35.p DOI: 10.7498/aps.66.1273011引言图像增强1;2是一种图像处理方法,它可以把原本不清楚的图像变得清晰,或者将某些感兴趣的特征进行强调、不需要的特征进行抑制,从而提高图像质量,加强图像的有用信息.根据处理过程所在空间的不同,图像增强可分成两大类:频域法和空间域法.频域法是一种间接的处理方法,是在某种变换域内相应地对图像的变换系数进行修正,然后再转换到原来的空间中;空间域法是一种直接的处理方法,它可以对图像中的像素点
8、直接进行操作.人类视觉系统能够高效地对图像进行处理,不管是从处理时间还是处理效果来看,传统的图像增强技术都远不及人类视觉系统.近年来,越来越多的人开始重视基于视觉机制的图像处理方法3 7,人类视觉系统的研究将会被逐渐应用到图像处理技术中,同时也为图像增强提供了新思路.在人类视觉系统8;9中,当视网膜上一定区域受到刺激时,与这个区域联系的隔层神经细胞的活动将会被激活,相应的神经从而会产生发放变化,我们称视网膜神经节细胞的这一区域为该视网膜神经节细胞的感受野. 1965年,由Rodieck10提出的双高斯差(DOG)函数模型,认为感受野是由一个同心圆构成的,这个模型对这样的结构及感受野的空间特性进
9、行了成功的模拟,并且也很好地模拟了感受野在受到小光点刺激时所表现出的性质.随着对哺乳动物的视网膜神经节细胞感受野的深入研究, Li等11在DOG模型的基础上,又提国家自然科学基金(批准号: 61571372, 61672436, 61372139)、中央高校基本科研业务费专项资金(批准号: XDJK2016A001,XDJK2014A009)和新世纪优秀人才支持计划(批准号:教技函201347号)资助的课题.通信作者. E-mail: 2017中国物理学会Chinese Physical Society http:/127301-1万方数据物理学报Acta Phys. Sin. Vol. 6
10、6, No. 12 (2017) 127301出了一种非经典感受野的三高斯模型,提出神经节细胞的感受野是由三个区域组成的同心圆结构,即由中心兴奋区、周边抑制区和外围去抑制区共同组合而成.非经典感受野模型既能对低空间频的信息损失进行补偿,又能对边缘进行有效增强,该特性对于传递图像的亮度信息和灰度梯度信息起着极其重要的作用.随后,由多项电生理实验的结果可知,视网膜神经节细胞的感受野对外界刺激的响应会随外界刺激的不同发生变化,这种变化可以通过多次实验得到,比如,当对感受野所施加的外界刺激对比度降低时,其中心兴奋区半径会随之变大12;13.这是一种自适应的机制,如果把它加入到传统的三高斯模型中,那么原
11、来的静态模型将会变为动态模型,这样将更加符合人眼的特性14.场景的亮度值15;16和输入图像的局部对比度17等信息都可以作为图像增强的因素.根据感受野对外界刺激的响应随时间动态变化的现象,本文采用局部对比度(Con)作为一个局部信息,根据图像中不同位置Con的大小对传统三高斯模型的中心兴奋区敏感度进行取值,从而对局部图像进行自适应增强.由人眼的视觉感知特性可知,如果令一幅图像中的暗处更暗、亮处更亮,这样就可以使一幅图像的局部对比度得到提高.所以,本文又采用被处理点处的亮度值(Lum)作为另一个局部信息,根据不同位置Lum的不同对传统三高斯模型中抑制区半径的值进行动态调整.忆阻器18;19是一种
12、具有非易失性的元器件,其阻值受控于元件两端所施加的电源强度、电源极性以及电源的供电时间.并且,若去掉其两端施加的电压,它依然可以保持掉电时的忆阻值.许多研究表明,当幅度不同、宽度相同的电压脉冲施加到忆阻器两端时,其阻值会发生连续变化,利用这一原理可以实现图像的存储20 22.本文提出的基于忆阻交叉阵列的自适应三高斯模型是通过忆阻器的连续输入输出特性来改变三高斯模型中的参数所形成的一种自适应的模型.它可以根据图像某一像素点的局部信息来调节对应的忆阻交叉阵列在该点的忆阻器两端脉冲电压的极性和宽度,从而可以调节忆阻器的阻值,这样就可以利用忆阻值的大小来改变三高斯模型中所对应参数的大小,然后确定图像的
13、局部增强模板,对图像进行局部增强,进而实现整幅图像的增强.2基于忆阻交叉阵列的自适应三高斯模型三高斯模型11结构如图1所示.传统三高斯函数模型的公式为G(x;y)= A1 exp(x2 +y221)A2 exp(x2 +y222)+A3 exp(x2 +y223); (1)其中, G为三高斯模型; A1, A2, A3分别表示中心兴奋区、周边抑制区和外围去抑制区的峰值系数;1, 2, 3分别表示中心兴奋区、周边抑制区和外围去抑制区的尺度参数.三高斯模型的空间结构如图2所示.激径应幅度制中心制图1三高斯函数模型结构示意图Fig. 1. Schematic structure of three-G
14、aussian functionmodel.我们知道,视网膜神经节细胞的感受野对外界刺激的响应会随着外界刺激的不同而发生动态变化:当感受野接受的外界刺激对比度变大时,其外周区抑制幅度就会减小,中心兴奋区的兴奋度反而增强;当感受野接受的外界刺激对比度变小时,外周抑制区的抑制幅度就会变大,中心兴奋区的兴奋度反而减弱.据此,本文采用局部对比度Con作为一幅图像的一个局部信息,根据一幅图像中不同位置Con的大小对三高斯模型的中心兴奋区的峰值系数(1)式中的A1)进行相应的取值.127301-2万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 12730101
15、0200102001234x（a）yA1exp-（x2+y2)/ 12A2exp-（x2+y2)/ 22A3exp-（x2+y2)/ 32010200102001234x（b）y010200102000.51.0x（c）y0102001020-1.0-0.500.51.0x（d）yG（x,y)图2 (网刊彩色)三高斯模型的空间结构(a)中间兴奋模型; (b)四周抑制模型; (c)边缘兴奋模型; (d)带去抑制的三高斯模型Fig. 2. (color online) Spatial structure of three-Gaussian function model: (a) Intermedi
16、ate exciting model;(b) surrounding inhibition model; (c) edge exciting model; (d) three Gauss model with disinhibition.这里,局部对比度Con为:在一幅图像中,选取一个被处理点,以这个点为中心取该点的邻域大小为3 3,这个邻域内所有像素值的标准差即为Con.本文选取的另一个局部特征为图像中被处理点的亮度值Lum.由人眼的视觉感知特性可知,在一幅图像中,令暗处越暗、亮处越亮,能够提高这个图像的局部对比度.所以,可以根据不同位置的亮度值对该点的三高斯模型中外周抑制区的半径(1)式中
17、的 2)进行自适应调整.当被处理点的亮度值较大时,减小 2的值,中心兴奋区的抑制作用就会减弱,从而可以增加被处理点的亮度值,即可以实现亮处更亮;当被处理点的亮度值较小时,增大 2的值,中心兴奋区的抑制作用就会增强,从而可以降低被处理点的亮度值,即可以实现暗处更暗.由于传统的三高斯模型中参数是固定的,需要人为地调整三高斯模型中的参数,不利于处理大量的信息.本文根据上述三高斯模型中的参数随图像Con和Lum的不同而变化的原则,引入忆阻器的交叉阵列来控制传统的三高斯模型中的参数.通过调节脉冲电压的宽度和极性调节忆阻器的阻值来表示中心兴奋区的峰值系数A1与Con、周边抑制区尺度参数 2与Lum的数学关
18、系.当施加正脉冲时,忆阻值减小;当施加负脉冲时,忆阻值增加,并且可以通过调节电压脉冲的宽度来实现忆阻值的连续调节.本文选用的忆阻器模型是惠普忆阻器18,如图3所示.它是由夹在两个铂电极之间的两层TiO2薄膜构成的:一层是绝缘层,其中钛和氧比例是1 : 2,即TiO2,称为非掺杂层;另一层为缺失了部分氧原子的TiO2,可以描述为TiO2 x(x约为0.05),称为掺杂层.当在忆阻器的两端施加电压时,在电场的作用下,其掺杂层中的氧空位会发生漂移,这将导致掺杂层和非掺杂层之间边界的移动,从而引起忆阻器有效忆阻值的改变.其阻值可表示为RMEM(x) = RONx+ROFF(1 x); (2)式中,x
19、= WD 2 (0;1); (3)x是忆阻器的掺杂层厚度与TiO2薄膜总厚度之比,127301-3万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 127301它是忆阻器的内部状态变量,其中, D表示TiO2薄膜的厚度,其大小近似为10 nm, W表示掺杂层的厚度,在电场的作用下, W会发生相应的变化,施加正向电压时, W将会增大,忆阻器的阻值变小,施加负向电压时, W将会减小,忆阻器的阻值变大;RMEM是忆阻器的有效忆阻值; RON和ROFF分别对应W = 0和W = D时忆阻器的极限值.忆阻器两端电压与电流的关系可以表示为TiO2-x TiO2W
20、DPt（a）（b）Pt+ -图3惠普忆阻器模型(a)结构图; (b)器件符号Fig. 3. Model of HP memristor: (a) Structurediagram; (b) device symbol.v(t) = RMEM(x)i(t): (4)两种掺杂层之间的边界可以移动,其移动速取决于多种因素,比如薄膜厚度、掺杂层的电阻、流过的电流等.dxdt = ki(t); k =vROND2 ; (5)其中, v 10 14 m2 s 1 V 1是所有离子的平均漂移; k是一个比例因子,为掺杂层和非掺杂层之间的边界的移动速度与流经电流之比.图4为施加宽度不同、极性不同的电压脉冲时忆
21、阻值的变化规律.图4(a)为当忆阻器两端输入宽度相同、幅度不同的正电压脉冲时忆阻值的变化情况.由图4(a)可知:当给忆阻器两端施加正电压脉冲时,忆阻值减小的情况与电压脉冲的幅度成正比.图4(b)为当忆阻器两端输入的电压脉冲是幅度相同、宽度不同、正负交替的电压脉冲时忆阻值的变化情况:施加正电压时,忆阻值减小,而且减小的幅度与电压脉冲的宽度成正比,宽度越宽,减小越多;施加负电压时,忆阻值增加,而且增加的幅度与电压脉冲的宽度成正比,宽度越宽,增加越多.由以上规律可知,可以通过施加宽度不同、极性不同、大小不同的脉冲电压来调节忆阻值的大小.0 0.2 0.4 0.6 0.8 1.000.51.0t/s
22、t/sv/Vv/V012RMEM/105RMEM/10500.020.04i/Ai/A0 0.5 1.0 1.5 2.00 0.2 0.4 0.6 0.8 1.0t/s t/s0 0.5 1.0 1.5 2.00 0.2 0.4 0.6 0.8 1.0t/s t/s0 0.5 1.0 1.5 2.0-1010.51.01.5-0.0100.01（a） （b）图4电压脉冲对忆阻器的影响(a)宽度相同、幅度不同的输入电压; (b)幅度相同、宽度不同的输入电压Fig. 4. Eects on the memristor with dierent input voltages: (a) Input v
23、oltages with identical durationbut dierent amplitude; (b) input voltages with identical amplitude but dierent duration.127301-4万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 127301忆阻交叉阵列是一种具有并行处理能力的结构,它由水平纳米线和垂直纳米线构成,在交叉点放置忆阻器.图5是大小为4 4的忆阻交叉阵列图,其结构示意图如图5(a),存储结构图如图5(b).它包含以下几个部分:交叉阵列、读写控制和读电路模块、行列开关
24、选择器、电压转换器.实验表明,忆阻器具有连续输入输出的特性,理论上拥有无数个连续的阻值状态,从而可以记忆一幅图像中某个像素点处的灰度值或者局部特征值.通过改变忆阻器两端所施加的脉冲电压的极性及宽度来改变忆阻器的阻值大小,从而实现存储操作.如图5(a)所示的交叉阵列,若一个像素点处的相应特征值用一个忆阻器来存储,则该阵列就能够对一幅大小为4 4的简单图像的相关信息进行存储.对于大量的图像信息,我们可以根据图像大小或者要求适当地增加忆阻交叉阵列的行和列来实现存储.利用忆阻交叉阵列存储图像的相关信息时,输入图像的信息可以通过电压转换器转换为幅度相同、宽度不同的电压脉冲,我们可以通过控制忆阻器进行写操
25、作的时间来获得所需要的不同宽度的电压脉冲.本文采用忆阻交叉阵列来调节图像的每一个像素点处所需要的三高斯模型的相应参数,每一个交叉点处的忆阻器对应一个像素点,存储该点的相关信息,并进行自适应调节.可以通过调节电压脉冲的宽度来实现忆阻值的连续调节,如图6所示.Column switch muxRead circuitRead/write controlRead circuitVotage converterRowswitch mux（a） （b）图5忆阻器交叉阵列(a)交叉阵列结构示意图; (b)存储结构Fig. 5. Memristive crossbar array: (a) Structur
26、e diagram; (b) storage structure.v/Vv/VRm1/Rm2/0 0.5 1.0-0.8-0.6-0.4-0.200.2t/s0 0.5 1.0t/s0 0.5 1.0t/s0 0.5 1.0t/s020004000600080001000012000-0.200.20.40.66000800010000图6忆阻值在正负电压脉冲下的变化Fig. 6. Changes of memristance under positive and negative voltage.127301-5万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12
27、(2017) 127301当施加电压为大小恒定的负电压脉冲时,忆阻值的大小Rm1与施加的脉冲宽度t成正比;当施加电压为大小恒定的正电压脉冲时,忆阻值的大小Rm2与施加的脉冲宽度t成反比. A1和 2与忆阻值之间的关系表示如下:A1 = 5:8 + 1R0 RinitRm1; (6)2 = 1:25 0:1R0 RinitRm2; (7)其中, Rinit, R0分别为Con取最小值和最大值时对应的忆阻值; Rinit, R0分别为Lum取最小值和最大值时对应的忆阻值; Rm1, Rm2分别对应每一个像素点处的Con与Lum所对应的忆阻值.3灰度图像自适应增强的实现及其结果分析对灰度图像增强的具
28、体步骤如下.步骤1图像滤波.为了降低原始图像中的噪声干扰,选取维纳滤波器对原始图像进行平滑滤波,这里滤波器滑动窗口的大小为3 3.步骤2灰度图像归一化处理.对滤波后的图像进行灰度归一化处理.步骤3确定忆阻器两端所需要施加的脉冲电压的宽度.首先计算以被处理点为中心的邻域内的像素值的标准差Con,其次获取被处理点的像素值Lum.由数据可知, Con和Lum数值的大小分布在0;1内,分别对应于忆阻器施加的脉冲电压的宽度.步骤4确定自适应增强模板,对归一化之后的图像进行处理.在步骤3中,被处理点处的Con和Lum的值已经得到,从而可以得到每一点所对应的脉冲电压宽度,根据(6)和(7)式得到模板参数A1
29、和 2,进而得到该点处的增强模板,然后应用此模板对局部图像进行自适应增强.步骤5增强整幅图像.依次进行局部增强处理,从而得到整幅图像的增强结果.3.1实验结果与分析本文分别选取Lena图像和Goldhill图像作为测试图像,分别经过直方图均衡化、传统的三高斯模型和本文提出的基于忆阻交叉阵列的自适应三高斯模型进行处理,观测其增强效果.图7是增强效果对比图,可以看到:直方图均衡化处理方法能够使原图像的明暗对比在一定程度上得到提升(例如Lena图像中帽子上面的纹路),但是也存在很大的不足,经过直方图均衡化处理后的图像在边缘轮廓和局部细节的增强上没有达到比较好的效果,损失了许多细节信息(例如Goldh
30、ill图像中房顶和墙面纹路的丢失);传统的三高斯模型在图像边缘轮廓增强方面有比较好的效果,但在局部则会存在很多过增强现象(例如Lena图像中帽子前端部分和Goldhill图像中远处树林部分),并且,图像的明暗对比并不能够得到有效的提升;本文提出的基于忆阻交叉阵列的自适应三高斯模型在处理图像时,不仅可以使图像的明暗对比和清晰度极大地提高,还能够保持传统的三高斯模型对图像边缘信息的有效增强.另外,还可以通过增强前后图像直方图的状态来评价图像的一些性质:对于明亮图像,其直方图在灰度级高的一侧分布比较多;对于低对比度图像,其直方图窄而集中于灰度级的中部;对于高对比度图像,其直方图覆盖的灰度级很宽而且像
31、素的分布并非十分不均匀,只有少量的垂线比其他高许多.所以从直观上来看:如果一幅图像其像素在全部可能的灰度级都有分布并且分布均匀,那么这样的图像有比较高的对比度和多变的灰度色调.由图7可知:经过直方图均衡化处理后,其直方图尖端过多;三高斯增强结果的直方图则倾向于灰度级过高的一侧;而自适应的三高斯增强后图的像素分布在全部可能的灰度级中,并且分布相对比较均匀.这说明经本文提出的方法处理过的图像有较高的对比度和多变的灰度色调.3.2灰度图像增强效果的客观评价为了对增强效果进行精确地比较,本文采用文献23提出的一种经过改进的客观评价指标EME.文献24中首次提出这一评价指标的概念,通过比较灰度图像增强前
32、后的EME的值来表征对比度的变化,从而判断图像增强的效果.计算EME值时,一般把图像平均分成若干个相同大小的局部图像,然后对任意一个局部图像计算出它的最大像素值Vmax;k;l和最小像素值Vmin;k;l.这里选取的局部图像大小为16 16.127301-6万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 127301EME的定义式如下:EME = 1k1k2k2l=1k1k=120ln Vmax;k;lVmin;k;l +k; (8)其中,设置参数k是为了防止式中的分母为零,在这里k取一个很小的值. EME指标对比结果如表1所列.Lena 图直方图
33、化三高斯模型强应三高斯模型强01000200030000 100 20001000200030000 100（a）（b）20001000200030000 100 20001000200030000 100 200Goldhill 图直方图化三高斯模型强应三高斯模型强01000200030000 100 20001000200030000 100 20001000200030000 100Numberof pixelNumberof pixelNumberof pixelNumberof pixelNumberof pixelNumberof pixelNumberof pixelNumber
34、of pixelPixel value Pixel value Pixel value Pixel valuePixel value Pixel value Pixel value Pixel value20001000200030000 100 200图7增强效果对比图(a) Lena图; (b) Goldhill图Fig. 7. Contrast diagrams of enhancement eect: (a) Lena image; (b) Goldhill image.表1 EME性能评价Table 1. Performance evaluation of EME.图像EME原始图像
35、直方图均衡化三高斯图像增强基于忆阻交叉阵列的自适应三高斯图像增强Lena 14.4360 56.0487 54.0459 96.3381Goldhill 16.1641 41.1443 81.0056 143.7336127301-7万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 127301EME的值越大说明图像的平均动态范围越大,增强后的图像具有更好的增强效果.从表1中可以看出,基于忆阻交叉阵列的自适应三高斯模型的图像增强的EME值大于三高斯图像增强的EME值,说明本文提出的方法不仅可以对图像边缘进行有效的增强,而且还能够极大地提高图像的对比度
36、和清晰度.4彩色图像自适应增强的实现及其结果分析彩色图像增强的具体步骤如下.步骤1归一化处理.对原始图像进行归一化处理.步骤2把彩色图像分为R, G, B三个通道,分别进行处理.步骤3对每一个通道进行图像滤波.为了降低原始图像中的噪声干扰,选取维纳滤波器对原始图像的每一个通道进行平滑滤波,这里滤波器滑动窗口的大小为3 3.步骤4确定忆阻器两端所需要施加的脉冲电压的宽度.首先计算以被处理点(x;y)为中心的邻域内的像素值的标准差Con,其次获取被处理点(x;y)的像素值Lum.由相关数据可知, Con和Lum的大小在区间0, 1内,分别对应于忆阻器施加的脉冲电压的宽度.步骤5确定局部增强的模板.
37、在步骤4中,得到了被处理点处的局部特征Con和Lum,从而得到每一点所对应的脉冲电压宽度,根据(6)和(7)式得到模板参数A1和 2,进而得到该点处的增强模板,接下来应用此模板对该局部图像进行自适应增强,得到每个通道增强后的图像Sr, Sg, Sb.步骤6颜色恢复.通过简单的线性恢复算法调整图像的彩色信息.4.1颜色恢复图像经过三高斯模型对每个通道进行增强后,需要对颜色进行恢复,可以利用增强后的亮度图像与原始图像HSV颜色空间的亮度进行比较来线性调整恢复增强后图像的RGB信息,即Qi(x;y) = Si(x;y)I(x;y) Ii(x;y); i = r;g;b; (9)其中, Ii(x;y)
38、;i = r;g;b,分别对应原始彩色图像的R, G, B三个通道; Si(x;y);i = r;g;b,是增强后彩色图像的对应三个通道; Qi(x;y);i = r;g;b,是颜色恢复后彩色图像的对应三原色分量.4.2彩色图像自适应增强的流程基于忆阻交叉阵列的自适应三高斯彩色图像增强的流程如图8所示.图R通道G通道B通道计算各通道的 Con Lum点的电的度性 A12 的图强的模板各通道强后的度图复强图图8彩色图像增强的流程图Fig. 8. Flow chart of the color image enhancement.4.3实验结果与分析这部分选取了两幅图像作为测试图像,分别经过直方图
39、均衡化、传统的三高斯模型和本文提出的基于忆阻交叉阵列的自适应三高斯模型进行处理,观测其增强效果.其对比图如图9所示,从左到右依次是原始图像、三高斯增强后的图像和基于忆阻交叉阵列的自适应三高斯模型增强后的图像.从图9结果可以看出,原始图像整体较暗、颜色不够鲜艳;而用传统的三高斯模型实现的图像增强,虽然在一定程度上实现了亮度增强,但是有的图像增强过亮(如Lena图像的帽子前端及帽穗部分),而有127301-8万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 127301的图像则增强过弱(如Couple图像的墙面及地面部分).本文提出的彩色图像增强方法则很
40、好地实现了图像的增强,整体亮度得到了很好的提高,而且颜色鲜艳,符合人眼的视觉特性.本文提出的自适应模型对彩色图像增强后的图像所对应的灰度图像的EME值与原图以及传统的三高斯图像增强后的灰度图像的EME值的对比如表2所列.EME的值越大说明图像的平均动态范围越大,增强后的图像有更好的增强效果.从表2中可以看出,基于忆阻交叉阵列的自适应三高斯模型的图像增强的EME值大于三高斯图像增强的EME值,说明本文提出的方法在彩色图像的增强上也有较好的效果.表2 EME性能评价Table 2. Performance evaluation of EME.图像EME原始图像三高斯图像增强自适应的三高斯图像增强L
41、ena 15.6737 43.7417 52.6795Couple 53.4618 121.8812 215.2534Lena 图三高斯强应三高斯强Couple 图三高斯强应三高斯强图9 (网刊彩色)效果对比图Fig. 9. (color online) Contrast diagrams of enhancement eect.5结论本文对三高斯模型中的参数A1和 2进行控制,提出一种自适应的基于忆阻交叉阵列的三高斯模型,根据图像的局部特征,引入忆阻器的交叉阵列.忆阻器是一种具有记忆功能的非线性电阻,是一种不需要能源的存储元器件,其阻值的变化取决于通过它的电荷量或者磁通量.利用这个特性,本文
42、通过改变忆阻器两端电压脉冲的极性和宽度来改变忆阻值,从而改变三高斯模型中的参数.本文所提模型将忆阻器的交叉阵列与非经典感受野在图像处理中的应用结合起来,并与直方图均衡化、传统三高斯算法相比较,不仅在灰度图像上得到了比较理想的结果,同时也在彩色图像上取得了良好的效果.定性和定量的实验结果均表明,这种自适应模型不仅能够对图像边缘进行有效的增强,而且还可以极大地提高图像的对比度和清晰度,并且为忆阻器在图像处理方面的应用提供了新方向.参考文献1 Li H, Wu W, Yang X M, Yan B Y, Liu K, Jeon G 2016Acta Phys. Sin. 65 160701 (in
43、Chinese) 李红,吴炜,杨127301-9万方数据物理学报Acta Phys. Sin. Vol. 66, No. 12 (2017) 127301晓敏,严斌宇,刘凯, Gwanggil Jeon 2016物理学报651607012 Bi G L, Xu Z J, Zhao J, Sun Q 2015 Acta Phys. Sin. 64100701 (in Chinese) 毕国玲,续志军,赵建,孙强2015物理学报64 1007013 He K M, Sun J, Tang X O 2013 IEEE Trans. PatternAnal. Mach. Intell. 35 1397
44、4 Gianini G, Manenti A, Rizzi A 2014 J. Opt. Soc. Am.A 31 26635 Gianini G, Rizzi A, Damiani E 2016 Inf. Sci 327 1496 Mccann J J, Parraman C, Rizzi A 2014 Front. Psychol.5 17 Wang Y F, Wang H Y, Yin C L, Dai M 2016 Neurocom-puting 177 3738 Jobson D J, Rahman Z U, Woodell G A 1997 IEEETrans. Image Pro
45、cess 6 9659 Jobson D J, Rahman Z, Woodell G A 1997 IEEE Trans.Image Process 6 45110 Rodieck R W 1965 Vision Res. 5 58311 Li C Y, Xing P, Zhou Y X 1991 Vision Res. 31 152912 Solomon S G, White A J, Martin P R 2002 J. Neurosci.22 33813 Nolt M J, Kumbhani R D, Palmer L A 2004 J. Neuro-physiol. 92 17081
46、4 Xu Z L 2012 M. S. Thesis (Chengdu: University of Elec-tronic Science and Technology of China) (in Chinese) 许子龙2012硕士学位论文(成都:电子科技大学)15 Ahn H, Keum B, Kim D, Lee H S 2013 IEEE Int. Conf.Consum. Electron 2013 p15316 Zhang E H, Yang H Y, Xu M P 2015 Appl. Math. Inf.Sci. 9 41117 Jang I S, Lee T H, Ha H
47、 G, Ha Y H 2010 InternationalSymposium on Optomechatronic Technologies Toronto,Canada, October 2527, 2010 p118 Wang Y, Yang J, Wang L D, Duan S K 2015 Acta Phys.Sin. 64 237303 (in Chinese) 王颜,杨玖,王丽丹,段书凯2015物理学报64 23730319 Wang L D, Drakakis E, Duan S K, He P F, Liao X F2012 Int. J. Bifur. Chaos 22 1
48、25020520 Hu X F, Duan S K, Wang L D, Liao X F 2011 Sci.China: Inf. Sci. 41 500 (in Chinese) 胡小方,段书凯,王丽丹,廖晓峰2011中国科学:信息科学41 50021 Duan S K, Hu X F, Dong Z K, Wang L, Mazumder P2014 IEEE Trans. Neural Netw. Learn. Syst 26 120222 Wang L D, Li H F, Duan S K, Huang T W, Wang H M2015 Neurocomputing 171 2323 Agaian S S, Silver B, Panetta K A 2007 IEEE Trans.Image Process 16 74124 Agaian S S, Lentz K P, Grigoryan A M 2000 IASTEDInternational Conference on Signal Processing & Com-munication Marbella, Spain, September